Hoe een gaming-chip ooit je leven kan redden

NVIDIA Corporation

Jensen Huang, de miljardair-CEO van Nvidia, heeft een fortuin verdiend door de hardware te leveren die wordt gebruikt voor kunstmatige-intelligentie-algoritmen. Hij wedt nu dat AI op het punt staat een onmisbaar onderdeel van de geneeskunde te worden.

Begin jaren negentig erkende Huang dat de beperkingen van computerchips voor algemeen gebruik en de opkomst van computergaming de vraag naar gespecialiseerde grafische processors zouden doen toenemen. Tijdens de late jaren '90 en 2000 vond het bedrijf dat hij medeoprichter was enorm succes met het maken van high-end grafische chips voor gamers.

Meer recentelijk hebben Huang en Nvidia een andere technologiegolf doorgemaakt en hebben ze de hardware geleverd die wordt gebruikt om de diepgaande algoritmen te trainen en uit te voeren die de sleutel waren tot een recente renaissance in kunstmatige intelligentie. Deep learning vereist enorme hoeveelheden trainingsgegevens en krachtige computerhardware, en Nvidia's grafische processors bieden precies de juiste soort parallelle verwerking om deze algoritmen te laten vliegen.

Huang denkt nu dat de AI-algoritmen een revolutie teweeg zullen brengen in de geneeskunde en de gezondheidszorg, en hij wedt dat ziekenhuizen, artsen en medische onderzoekers Nvidia's volgende grote klantenbestand zullen zijn. De hoeveelheid data die de zorg heeft is enorm en het is het perfecte voorbeeld van ongestructureerde data. En toch is het computationele gebruik van die gegevens vrij beperkt, vertelde Huang MIT Technology Review . Een gebied dat een perfecte eerste ingang is, is medische beeldvorming.

Uit een groeiend aantal onderzoekspapers blijkt dat deep learning in principe kan worden gebruikt om de identificatie van ziekten in medische beelden te automatiseren. Onderzoekers van Stanford hebben aangetoond dat de techniek kan detecteren: huidkanker op foto's . Een team bij Google ontdekte dat het kan worden gebruikt om afwijkingen in röntgenfoto's van de borst te identificeren. Nvidia zegt dat meer dan de helft van de papers die werden gepresenteerd op de International Conference on Medical Image Computing and Computer Assisted Intervention, het belangrijkste evenement op het gebied van medische beeldvorming, een vorm van diepgaand leren omvatte.

Deze 3D-visualisatie van een hartventrikel is gemaakt met behulp van Nvidia's hardware. NVIDIA Corporation

Nvidia werkt al samen met een aantal bedrijven die instrumenten voor medische beeldvorming maken, en deze bedrijven willen allemaal meer rekenanalyse aan hun systemen toevoegen, zegt Huang. Hij vindt dat het ook mogelijk moet zijn om bestaande apparatuur op zo'n systeem aan te sluiten, zodat beelden worden geanalyseerd en de resultaten worden gepresenteerd aan technici en artsen.

In de toekomst, zegt Huang, zullen deze machines worden uitgebreid met supercomputers, waardoor ze moderne, verbazingwekkende medische instrumenten worden, net zoals cloudcomputing heeft gedaan voor mobiele telefoons.

Vorige maand, Nvidia bekend gemaakt een product dat zoiets wil doen. Het bestaat uit rekken met krachtige computerchips en wordt geleverd met software voor taken zoals het verscherpen van MRI-beelden en het maken van visualisaties van ultrasone gegevens. Het systeem kan ook machine learning-technieken ondersteunen voor het identificeren van tekenen van ziekte in afbeeldingen.

John Guttag , een professor in computerwetenschappen aan het MIT, zegt dat medische beeldvorming zal worden getransformeerd door het gebruik van machine learning, en met name deep learning. Hij zegt echter dat de meest directe impact van AI op de geneeskunde in medisch onderzoek zal zijn. Er gaat een dramatische verandering plaatsvinden in de manier waarop we onderzoek doen, en dat zal een indirect effect hebben op de zorg, zegt hij. We kunnen naar 20.000 scans van Alzheimerpatiënten kijken en dingen leren die we met het blote oog niet konden leren.

Verwant verhaal

Verwant verhaal Niemand weet precies hoe de meest geavanceerde algoritmen doen wat ze doen. Dat kan een probleem zijn.

Guttag zegt dat de technologie uiteindelijk ook in ziekenhuizen en klinieken terecht zal komen, maar het gaat langzamer. Het kan moeilijk zijn om artsen en patiënten zover te krijgen dat ze de AI-diagnose accepteren, zegt hij, als het systeem ook geen aanbevelingen doet of een goede verklaring voor de conclusie geeft. Veel modellen voor machine learning, vooral bij deep learning, zijn notoir moeilijk te ondervragen (zie Het duistere geheim in het hart van AI).

De uitdagingen hebben een groeiend aantal bedrijven niet afgeschrikt die nu onderzoeksvooruitgang willen omzetten in klinische hulpmiddelen. De Amerikaanse Food and Drug Administration heeft al enkele AI-technieken goedgekeurd voor klinisch gebruik, waaronder: technologie voor het identificeren van tekenen van diabetische retinopathie in retinale beelden, a Product voor het herkennen van tekenen van een beroerte op CT-scans, en a cloudgebaseerd oncologieplatform .

Maar het is gewoon niet realistisch om je voor te stellen dat veel van wat artsen doen geautomatiseerd zou kunnen worden. Algoritmen zouden hen kunnen helpen meer gegevens te analyseren dan anders mogelijk zou zijn, en ze zouden beter kunnen worden in eenvoudige vormen van diagnose. Maar de prognose en behandelingsopties van een patiënt kunnen afhankelijk zijn van een breed scala aan factoren, waaronder de unieke medische geschiedenis van die persoon. Onder deze omstandigheden oordelen is veel uitdagender voor een machine.

Ongeacht de uitdagingen zijn de kansen voor Nvidia te mooi om te negeren.

Atul Butte , een professor aan de UCSF School of Medicine en een expert op het gebied van het gebruik van technologie in de gezondheidszorg, zegt dat ziekenhuizen onvermijdelijk meer zullen investeren in de hardware die nodig is om diepgaande algoritmen uit te voeren. Hij zegt: Er zijn faculteiten bij UCSF en elders die al Nvidia-borden en -apparatuur gebruiken om diepgaande modellen te trainen op medische beelden, waaronder mammografie, echografie en meer.

zich verstoppen